目前較爲成熟的目標檢測算法可總結如下：
RCNN（2014年）
RCNN是一個多階段訓練模型，包括生成候選區域，CNN微調，SVM分類訓練以及邊界框迴歸等多個步驟（Selective Research+CNN+SVM）。
整體流程
類似於滑動窗口思想，R-CNN 採用對區域進行識別的方案，具體是：
1、給定一張輸入圖片，從圖片中提取 2000 個類別獨立的候選區域。
2、對於每個區域利用 CNN 抽取一個固定長度的特徵向量。
3、再對每個區域利用 SVM 進行目標分類。
候選區域生成
利用基於區域推薦的Selective Search方法，在圖像中提取2000個候選區域。相較於之前的滑窗法（windows sliding）有很大的提升。
CNN提取特徵
RCNN的結構實際是5個卷積層、2個全連接層。輸入是Region Proposal計算的推薦區域的圖像，由於該CNN網絡輸入限定爲2000 x 227 x 227 x 3（RGB）的輸入，故在RCNN中將Region Proposal的推薦區域仿射變形到227 x 227的格式上，網絡輸出是2000 x 4096 x 1的特徵向量。
SVM分類
使用訓練過的對應類別的SVM給特徵向量中的每個類進行打分，每個類別對應一個二分類SVM，CNN輸出2000 x 4096，SVM輸出2000*N（N是數據集中目標的類別），然後爲了減少重複的bounding box，使用了非極大值抑制法：
如果一個區域的得分與大於它得分的區域有很大程度的交叉（intersection-overunion（IoU））根據score進行排序，把score最大的bounding box作爲選定的框，計算其餘bounding box與當前最大score與box的IoU，去除IoU大於設定的閾值的bounding box。然後重複上面的過程，直至候選bounding box爲空，然後再將score小於一定閾值的選定框刪除得到一類的結果。
bounding box迴歸
受DPM （Object detection with discriminatively trained part based models）的靈感，訓練一個線性迴歸模型，給定pool5層的特徵預測一個新的檢測窗口。
訓練細節
1、使用ILSCRC2012訓練集對CNN Alexnet模型進行預訓練 ；
2、使用Select Research對每張圖片上生成2000個左右的候選的區域（IoU>0.5的標記正樣本,IoU<0.5的標記負樣本），將候選框大小調整爲227*227大小 ；
3、將生成的候選區域送入預訓練完成的Alexnet網絡中進行微調，微調時使用SGD，並將學習率設置爲預訓練時的1/10；
4、微調完成後，在進行SVM之前需要重新定義正負樣本，其中IoU<0.3的爲背景負樣本，正樣本用GT box來表示 ；
5、將重新定義的候選框從Alexnet中得到4096維度的特徵向量，進行SVM訓練，爲每一個類別訓練一個二分類器；
6、線性迴歸模型迴歸邊界框
測試細節
1、測試集上的圖片使用SelectResearch生成2000個大小的候選區域，並調整到227*227大小；
2、使用CNN計算每個特徵圖的特徵向量；
3、使用多個SVM二分類器進行預測每個類的概率；
4、對每一類別執行NMS（非極大值抑制），保留該類別概率值較大的候選框，對保留的候選框進行邊界框迴歸。
優缺點
1、訓練時有多個任務，CNN微調，SVM分類器，邊界框迴歸等，且彼此之間存在聯繫，增加潛在範圍的誤差
2、訓練過程在時間和空間上時非常耗時和昂貴的
3、在測試時，物體檢測速度比較慢
論文中的一個觀點，就是當你缺乏大量的標註數據時，比較好的可行的手段是，進行神經網絡的遷移學習，採用在其他大型數據集訓練過後的神經網絡，然後在小規模特定的數據集中進行 fine-tune 微調。
Fast-RCNN（2015年）
Fast-RCNN解決了RCNN中的三個大問題：測試、訓練速度慢、需要空間大
原因及改進：
-
R-CNN中用CNN對每一個候選區域反覆提取特徵，而一張圖片的2000個候選區域之間有大量重疊部分，這一設定造成特徵提取操作浪費大量計算。
-
Fast R-CNN將整個圖像歸一化後直接送入CNN網絡，卷積層不進行候選區的特徵提取，而是在最後一個池化層加入候選區域座標信息，進行特徵提取的計算。
-
R-CNN中目標分類與候選框的迴歸是獨立的兩個操作，並且需要大量特徵作爲訓練樣本。
-
Fast R-CNN將目標分類與候選框迴歸統一到CNN網絡中來，不需要額外存儲特徵。
結果對比：
Fast R-CNN和R-CNN相比，訓練時間從84小時減少爲9.5小時，測試時間從47秒減少爲0.32秒。在PASCAL VOC 2007上的準確率相差無幾，約在66%-67%之間。
最大貢獻
- 引入RoI池化層
- 全連接層中目標分類與檢測框迴歸微調的統一。
RoI池化層
不同於R-CNN多次對每個圖像提取特徵，Fast R-CNN使用特徵提取器(CNN)先提取整個圖像的特徵，然後將候選區域直接映射到特徵圖中（就是座標乘以原圖像與特徵圖比例）
（1）根據輸入image，將ROI映射到feature map對應位置；
（2）將映射後的區域劃分爲相同大小的sections（sections數量與輸出的維度相同）；
（3）對每個sections進行max pooling操作；
特徵提取
首先將圖片用selective search得到2000個候選區域（region proposals）的座標信息。另一方面，直接將圖片歸一化到CNN需要的格式，整張圖片送入VGG，將第五層的普通池化層替換爲RoI池化層。圖片然後經過5層卷積操作後，得到一張特徵圖（feature maps），開始得到的座標信息通過一定的映射關係轉換爲對應特徵圖的座標，截取對應的候選區域，經過RoI層後提取到固定長度的特徵向量，送入全連接層。因爲 Fast-RCNN 不會重複提取特徵，因此它能顯著地減少處理時間。
目標分類與檢測框的迴歸
在R-CNN中的流程是先提proposal，然後CNN提取特徵，之後用SVM分類器，最後再做bbox regression進行候選框的微調。Fast R-CNN是將候選框目標分類與bbox regression並列放入全連接層，形成一個multi-task模型
損失函數如下：
測試細節
1、將任意大小的圖片送入CNN 網絡，得到圖片的特徵圖；
2、使用SelectResearch得到2000個左右的候選框，根據原圖像到特徵圖的映射關係，得到候選框在特徵圖上的位置；
3、將提取的特徵框送入ROI層得到固定大小的特徵向量；
4、將特徵向量分別送入兩個全連接層（使用SVD分解），得到迴歸框的位置和類別的概率；
5、根據得到的概率和位置進行非極大值抑制，得到概率較高的窗口
SVD全連接加速網絡
在實現時，相當於把一個全連接層拆分爲兩個全連接層，第一個全連接層不含偏置，第二個全連接層含偏置；實驗表明，SVD分解全連接層能使mAP只下降0.3%的情況下提升30%的速度，同時該方法也不必再執行額外的微調操作
參考部分：原文點擊這裏